論文の概要: Assumed Density Filtering and Smoothing with Neural Network Surrogate Models

• arxiv url: http://arxiv.org/abs/2511.09016v1
• Date: Thu, 13 Nov 2025 01:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.357977
• Title: Assumed Density Filtering and Smoothing with Neural Network Surrogate Models
• Title（参考訳）: ニューラルネットワークサロゲートモデルによる推定密度フィルタリングと平滑化
• Authors: Simon Kuang, Xinfan Lin,
• Abstract要約: フィルタとスムーサの精度を評価するため,クロスエントロピーはRMSEよりも適切な性能指標であることを示す。 Lorenz システムと Wiener システムにおける状態推定手法の優位性を実証し,フィードバックに状態推定を用いた場合,より最適な線形制御が可能であることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Kalman filter and Rauch-Tung-Striebel (RTS) smoother are optimal for state estimation in linear dynamic systems. With nonlinear systems, the challenge consists in how to propagate uncertainty through the state transitions and output function. For the case of a neural network model, we enable accurate uncertainty propagation using a recent state-of-the-art analytic formula for computing the mean and covariance of a deep neural network with Gaussian input. We argue that cross entropy is a more appropriate performance metric than RMSE for evaluating the accuracy of filters and smoothers. We demonstrate the superiority of our method for state estimation on a stochastic Lorenz system and a Wiener system, and find that our method enables more optimal linear quadratic regulation when the state estimate is used for feedback.
• Abstract（参考訳）: KalmanフィルタとRuch-Tung-Striebel(RTS)は線形力学系の状態推定に最適である。 非線形システムでは、状態遷移と出力関数を通じて不確実性を伝播する方法が課題である。 ニューラルネットワークモデルの場合、ガウス入力を用いたディープニューラルネットワークの平均と共分散を計算するための最新の最先端解析式を用いて、正確な不確実性伝播を可能にする。 我々は,クロスエントロピーがフィルタの精度とスムースさを評価する上で,RMSEよりも適切な性能指標であると主張している。 確率ロレンツ系とウィーナー系における状態推定手法の優位性を実証し, フィードバックに状態推定を用いた場合, より最適な線形二次制御が可能であることが確認された。

関連論文リスト

• Bayesian Modeling and Estimation of Linear Time-Variant Systems using Neural Networks and Gaussian Processes [0.0]
  この研究は、システムのインパルス応答をモデル化する統一ベイズフレームワーク、$h(t, tau)$をプロセスとして導入する。 我々は、応答を後方平均とランダム変動項に分解し、予測における線形時間不変(LTIE)という新しい有用なシステムクラスを自然に定義する。 我々は,LTIシステムの特性を単一ノイズ観測から頑健に推測できることを,一連の実験で実証した。
  論文  参考訳（メタデータ） (2025-07-17T07:55:34Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Noise in the reverse process improves the approximation capabilities of diffusion models [27.65800389807353]
  生成モデリングにおける最先端技術であるスコアベース生成モデリング(SGM)では、リバースプロセスは決定論的手法よりも優れた性能を発揮することが知られている。 本稿では,ニューラル常微分方程式 (ODE) とニューラルディメンション方程式 (SDE) を逆過程として比較し,この現象の核となる。 我々は、Fokker-Planck方程式の軌跡を近似するニューラルSDEの能力を解析し、ニューラルティの利点を明らかにする。
  論文  参考訳（メタデータ） (2023-12-13T02:39:10Z)
• Nonlinear Filtering with Brenier Optimal Transport Maps [6.048942663334447]
  本稿では,非線形フィルタリング,すなわち動的システムの状態の条件分布の計算の問題について述べる。 従来の逐次重要再サンプリング(SIR)粒子フィルタは、縮退確率や高次元状態を含むシナリオにおいて、基本的な制限に悩まされる。 本稿では,Brenier 最適輸送 (OT) マップを,現在の状態の分布から次のステップにおける後部分布へ推定する手法について検討する。
  論文  参考訳（メタデータ） (2023-10-21T01:34:30Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。